statsmodels.tsa.filters.cf_filter.cffilter¶

statsmodels.tsa.filters.cf_filter.cffilter(x, low=6, high=32, drift=True)[source]¶

克里斯蒂亚诺·菲茨杰拉德不对称，随机游走滤波器。

Parameters:¶

xarray_like

要过滤的1维或2维数组。如果是2维，则假设变量在列中。

lowfloat

最小振荡周期。低于低周期的特征将被过滤掉。默认值为6（对于季度数据），对应1.5年的周期。

highfloat

振荡的最大周期。高于高周期的特征将被过滤掉。默认值为32（对于季度数据），对应于8年的周期。

driftbool

是否从数据中去除趋势。趋势估计为 np.arange(nobs)*(x[-1] - x[0])/(len(x)-1)。

Returns:¶

cyclearray_like

x在周期性低和高之间的特征。

trendarray_like

去除周期后的数据趋势。

另请参阅

statsmodels.tsa.filters.bk_filter.bkfilter

Baxter-King 滤波器。

statsmodels.tsa.filters.bk_filter.hpfilter

Hodrick-Prescott 滤波器。

statsmodels.tsa.seasonal.seasonal_decompose

使用移动平均法分解时间序列。

statsmodels.tsa.seasonal.STL

使用LOESS进行季节趋势分解。

注释

请参阅笔记本 时间序列过滤器 以获取概述。

示例

>>> import statsmodels.api as sm
>>> import pandas as pd
>>> dta = sm.datasets.macrodata.load_pandas().data
>>> index = pd.DatetimeIndex(start='1959Q1', end='2009Q4', freq='Q')
>>> dta.set_index(index, inplace=True)

>>> cf_cycles, cf_trend = sm.tsa.filters.cffilter(dta[["infl", "unemp"]])

>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots()
>>> cf_cycles.plot(ax=ax, style=['r--', 'b-'])
>>> plt.show()

(源代码, png, 高分辨率png, pdf)